Jaringan Syaraf Tiruan Metode Kerangka Berfikir Hasil Pelatihan Jaringan Syaraf

2.3 Jaringan Syaraf Tiruan

Jaringan syaraf tiruan artificial neural networks adalah sistem pemrosesan informasi yang memiliki karakteristik mirip jaringan syaraf biologi. JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi,dengan asumsi bahwa: • Pemrosesan informasi terjadi pada banyak elemen sederhana neuron. • Sinyal dikirimkan diantara neuron- neuron melalui penghubung- penghubung • Penghubung antara beuron memiliki bobot yang akan memperkuat atau memperlemah sinyal • Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi yang dikenakan pada jumlahan input yang ditrerima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang Jaringan syaraf tiruan JST ditentukan oleh 3 hal: • Pola hubungan antar neuron disebut arsitektur jaringan • Metode untuk menentukan bobot penghubung disebut metode traininglearningalgoritma • Fungsi Aktivasi

2.4 Metode

Learning Vector Quantization Learning Vector Quantization merupakan metode klasifikasi pola yang terawasi supervised. Metode ini melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklarifikasikan vektor-vektor input. Arsitektur LVQ terdiri dari lapisan input input layer, lapisan kompetitif terjadi kompetisi pada input untuk masuk ke dalam suatu kelas berdasarkan kedekatan jaraknya dan lapisan output output layer. Gambar 2.8 Arsitektur JST Learning Vector Quantization III METODE PENELITIAN

3.1 Kerangka Berfikir

Penelitian ini bertujuan untuk membangun suatu perangkat lunak menggunakan jaringan syaraf tiruan yang dapat digunakan untuk membantu mengidentifikasi penurunan kondisi fungsi organ ginjal seseorang. Untuk mewujudkannya, dibuatlah kerangka berfikir sebagai berikut: Gambar 3.1 Kerangka Berfikir

3.2 Perancangan Sistem

Pada aplikasi yang dibuat peneliti terdapat 3 proses utama yang harus dilalui. Pertama pra pengolahan data untuk menghasilkan vector angka ciri dari pola organ ginjal yang digunakan sebagai parameter acuan. Kedua proses pelatihan jaringan syaraf tiruan learning vector quantization . Ketiga proses pengujian jaringan syaraf tiruan learning vector M U L A I M E M A S U K K A N D A T A M A T R IK C IT R A H A S IL P R A - P E N G O L A H A N T R A IN IN G J A R IN G A N L V Q S E L E S A I T E N T U K A N J U M L A H IT E R A S I, L A J U P E M B E L A J A R A N , G O A L P R O S E S IT E R A S I S IM P A N J A R IN G A N Y A T ID A K MULAI MASUKKAN JARINGAN YANG TERBENTUK PENGUJIAN JARINGAN LVQ SELESAI MASUKKAN INPUTAN DATA MATRIK CITRA UJI DATA IRIS YANG DIKENALI quantization. Masing-masing proses akan dirancang menggunakan flowchart agar lebih mudah dipahami. 1. Pra Pengolahan Pra pengolahan merupakan tahap awal untuk mendapatkan vector dari pola organ ginjal pada iris mata yang telah dikumpulkan oleh penulis. Deteksi tepi yang digunakan pada pra pengolahan yaitu deteksi tepi Canny. Gambar 3.2 Diagram Alir Program Utama

2. Pelatihan

Pelatihan learning vector quantization merupakan tahap dimana melatih jaringan menggunakan data vector citra iris mata dari hasil pra pengolahan. Gambar 3.3 Diagram Alir Program Utama

3. Pengujian

Pengujian learning vecor quantization merupakan tahap dimana menguji jaringan yang terbentuk menggunakan data uji vector citra iris diluar dari data pelatihan. Gambar 4.3 Diagram Alir Pengujian Jaringan LVQ IV HASIL PENELITIAN DAN PEMBAHASAN Pada pembahasan penelitian ini menggunakan citra yang akan sebagai analisa berjumlah 12 citra mata kanan dan 12 citra mata kiri yang terdapat gangguan ginjal dan 15 citra iris mata kanan dan 15 citra iris mata kiri yang tidak mengalami gangguan ginjal. Citra-citra tersebut akan dilatih dan diuji menggunakan jaringan syaraf tiruan learning vector quantization untuk mengetahui tingkat keberhasilan. Persamaan untuk tingkat keberhasilan adalah:

4.1 Hasil Pelatihan Jaringan Syaraf

Tiruan LVQ Proses pelatihan jaringan yang dilakukan dengan menentukan iterasi epoch , laju pembelajaran α, goal proses yang diinginkan. Pada penelitian ini peneliti menggunakan data latih sebanyak 22 data , jumlah iterasi sebanyak 500, dengan laju pembelajaran 0.01, 0.05, 0.1 dikarenakan jika laju pembelajaran terlalu cepat atau terlalu lambat hasil pengenalan kurang bagus, goal yang dipakai peneliti yaitu 0.01 . Tabel 4.1 Hasil Pelatihan Jaringan Syaraf Tiruan LVQ Akurasi Keberhasilan = x 100 = 100 Berdasarkan Tabel 4.1 menunjukkan bahwa dari 22 citra latih. Jaringan syaraf tiruan berhasil mengenali citra dengan sempurna 100.

4.2 Hasil Pengujian Jaringan Syaraf